Cinco diagnósticos, cinco causas raíz distintas.

El contenedor server-side enviaba email, nombre, país y código postal a Meta CAPI, TikTok Events API y Google Ads incluso con el consentimiento de publicidad denegado.

Auditoría de Consent Mode v2 sobre 154 tags: 128 con gates ausentes o mal configurados, más una race condition en el CMP que marcaba consentimiento concedido antes de la interacción del usuario.

Gates de ad_storage y ad_user_data implementados en los 15 tags server-side afectados, bloqueando publicación hasta cerrar el gap.

Discrepancias de datos entre propiedades tras migrar eventos de e-commerce GA4 de un contenedor a otro.

Auditoría de 21 tags, 64 triggers y 177 variables: tres causas de exclusión de datos operando en paralelo (variable de toggle, blacklist regex de 35 IDs, tabla de sitios bloqueados).

Export validado con resolución recursiva de dependencias y limpieza de tags de Universal Analytics obsoletos.

Floodlight registrando cero visitas pese a tráfico confirmado en el sitio.

Cuatro causas simultáneas: snippet Floodlight hardcodeado en el HTML duplicando el tag de GTM, consent sin definir, falta de secuenciación entre tags, y un segundo contenedor GTM de propiedad desconocida.

Universal Pixel como setup tag, requisitos de consentimiento añadidos, renombrado de tags para reflejar su alcance real.

Todos los eventos de e-commerce de GA4 en KO en staging, antes de salir a producción.

Schema de item incompleto, variantes incorrectas en add_to_cart, purchase bloqueado por la arquitectura del checkout externo.

Guía de implementación evento a evento con especificación exacta para el equipo de desarrollo y convención de nombres estandarizada.

Google Ads reportaba ~34% más conversiones de compra que GA4 para el mismo período y canal, sin ninguna pista de causa en el dashboard.

Descenso a la tabla raw de eventos en BigQuery: duplicación de purchase por transaction_id, pérdida de atribución por gclid no capturado, y gap de consentimiento estructural.

Cada causa aislada por separado y cuantificada: ~8% duplicación, ~19% atribución perdida, ~7% consentimiento.

El export nativo de GA4 a BigQuery no es una tabla analítica, es un log de eventos anidado: cada consulta repite el mismo UNNEST y arrastra el riesgo de contar compras duplicadas.

Sobre el dataset público de la Google Merchandise Store (4,3M eventos): la sesión no es una columna, purchase se duplica, y la atribución llega en dos ámbitos que no se pueden colapsar sin perder información.

Cuatro modelos dbt en dos capas: staging aplana y tipa el evento; los marts exponen sesiones, compras deduplicadas y usuarios. 25 tests de calidad y CI en GitHub Actions.

Los motores de respuesta de IA (ChatGPT, Perplexity, AI Overviews) capturan una porción creciente de las búsquedas, y ninguna herramienta estándar dice si tu contenido está siendo citado, ni cuánto tráfico llega desde ahí.

El problema se descompone en señales independientes que ninguna métrica única resuelve: visibilidad ante los rastreadores, tráfico referido medible, rastreo real de bots, y el cruce entre ambas señales.

Framework de 5 capas sobre este mismo sitio: base técnica, tráfico referido en GA4, rastreo de bots, cruce de ambas señales en BigQuery, y test de citación real en motores de respuesta.

El sitio medía todo en el navegador: sin capa server-side, los hits de GA4 quedan expuestos a bloqueadores, ITP y cookies de terceros, y no hay forma de demostrar la habilidad sin un cliente que la pida primero.

Dos caminos: pagar un SaaS intermediario como Stape, o montar el contenedor server-side directo sobre la propia cuenta de Google Cloud, la misma que ya sostiene el pilar de GEO/AEO.

Contenedor GTM tipo servidor en Cloud Run con dominio propio, certificado gestionado y escalado a cero. Un bug de CSP que bloqueaba la conexión en silencio, encontrado y corregido ya en producción.